贝叶斯群组因子分析
提出一种贝叶斯方法,用于联合双聚类多个数据来源,使得数据驱动检测出数据来源中存在的线性结构,仿真研究表明该方法可在异质数据来源中可靠地推断出双聚类,并在 NCI-DREAM 药物敏感性预测挑战赛中取得了良好的预测准确性。
Dec, 2015
提出了一种非参数贝叶斯因子分析(FA)的扩展,其中观察数据 𝐘 被建模为潜在无限个隐藏因素 𝐗 的线性叠加 𝐆,使用印度自助餐过程(IBP)作为先验来描绘稀疏性并允许推断潜在特征的数量,使用基于已知 E. Coli 稀疏连接矩阵的随机数据集以及三个逐渐复杂的生物数据集来研究该模型在基因表达数据建模中的实用性。
Nov, 2010
提出一种非参数贝叶斯因子回归模型,考虑因子个数的不确定性和因子间的关系,通过 Kingman coalescent 基于因子的分层模型,将其与 sparse Indian Buffet Process 相结合,应用于基因表达数据分析中的因子分析和因子回归问题。
Aug, 2009
本文介绍了一种基于贝叶斯框架的高斯图模型确定方法,它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现,在高维图形方面具有计算可行性,验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法,并应用于基因表达研究中。
Oct, 2012
本文提出了一种因子方法来同时考虑模型选择和功能回归的视角,通过将预测向量分解为反映解释变量的共同因素和特定变异性的两个不相关随机分量,以包括主成分作为额外的解释变量在增广回归模型中,维度高于样本大小的线性回归问题中传统假设的稀疏向量参数是具有限制性的,模型选择程序可以用于估计增广模型的参数,并得出其理论性质和有限样本表现。
Feb, 2012
通过构造负二项分析(NBFA)来解决泊松分布捕捉协变量出现在样本中自我重复及与其他协变量之间激发关系的局限性,并利用分层伽马负二项过程支持数不尽的因素。设计了两种基于多项式分布的混合成员模型,实现快速收敛和低计算复杂度的阻塞吉布斯采样器,提供比以前的方法更具优势的紧凑表示,预测能力和计算复杂性。
Apr, 2016
使用深度学习和因果推断,我们针对神经因果因子分析(NCFA)提出了一种完全非参数的因子分析方法,该方法不仅表现出与标准 VAEs 相当的数据重建能力,还具有更稀疏、更低复杂度和因果可解释性等优点,并且可以学习和推理关于观察数据潜在因素的因果关系。
May, 2023
本研究提出了一种新的方法,用于利用精确贝叶斯网络推断中的因果独立性,并且通过算法 VE 对给定证据和查询变量进行因果独立推理,结果表明此方法更加高效,并且允许前人算法不能接受的更大网络的推理。
Dec, 1996